Implementasi Learning Vector Quantization Dan Deteksi Tepi Robert Untuk Pengenalan Citra Wajah

  IMPLEMENTASI LEARNING VECTOR QUANTIZATION DAN DETEKSI TEPI ROBERT UNTUK PENGENALAN CITRA WAJAH SKRIPSI Diajukan untuk melengkapi tugas dan memenuhi syarat memperoleh ijazah

  Sarjana Ilmu Komputer M. IQSHAN JOHANDRA

  091401036 PROGRAM STUDI S1 ILMU KOMPUTER FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI INFORMASI UNIVERSITAS SUMATERA UTARA MEDAN

  2014

  

PERSETUJUAN

  Judul : IMPLEMENTASI LEARNING VECTOR QUANTIZATION DAN DETEKSI TEPI ROBERT UNTUK PENGENALAN CITRA WAJAH

  Kategori : SKRIPSI Nama : M. IQSHAN JOHANDRA Nomor Induk Mahasiswa : 091401036 Program Studi : S1 ILMU KOMPUTER Fakultas : ILMU KOMPUTER DAN TEKNOLOGI INFORMASI

  UNIVERSITAS SUMATERA UTARA Diluluskan di Medan, April 2014

  Komisi Pembimbing : Pembimbing 2 Pembimbing 1 Amer Sharif, S.Si, M.Kom Dr. Erna Budhiarti Nababan, MIT NIP. -

  NIP. - Diketahui/disetujui oleh Program Studi S1 Ilmu Komputer Ketua, Dr. Poltak Sihombing, M.Kom NIP. 19620317 199103 1 001

  

PERNYATAAN

  IMPLEMENTASI LEARNING VECTOR QUANTIZATION DAN DETEKSI TEPI ROBERT UNTUK PENGENALAN CITRA WAJAH SKRIPSI Saya mengakui bahwa skripsi ini adalah hasil karya saya sendiri, kecuali beberapa kutipan dan ringkasan yang masing-masing telah disebutkan sumbernya.

  Medan, April 2014 M. Iqshan Johandra 091401036

  PENGHARGAAN

  Alhamdulillah. Puji dan syukur kehadirat Allah SWT, yang dengan rahmat dan karunia-Nya penulis dapat menyelesaikan penyusunan skripsi ini, sebagai syarat untuk memperoleh gelar Sarjana Komputer, pada Program Studi S1 Ilmu Komputer Fakultas Ilmu Komputer dan Teknologi Informasi Universitas Sumatera Utara.

  Ucapan terima kasih penulis sampaikan kepada semua pihak yang telah membantu penulis dalam menyelesaikan skripsi ini baik secara langsung maupun tidak langsung. Pada kesempatan ini penulis ingin mengucapkan terima kasih yang sebesar-besarnya kepada:

  1. Bapak Prof. Dr. dr. Syahril Pasaribu, DTM&H, Msc(CTM), Sp.A(K) selaku Rektor Universitas Sumatera Utara.

  2. Bapak Prof. Muhammad Zarlis selaku Dekan Fakultas Ilmu Komputer dan Teknologi Informasi Universitas Sumatera Utara.

  3. Bapak Dr. Poltak Sihombing, M.Kom. selaku Ketua Program Studi S1 Ilmu Komputer dan Dosen Pembanding yang telah banyak meluangkan waktunya dalam memberikan masukan-masukan kepada penulis.

  4. Ibu Maya Silvi Lydia, B.Sc. M.Sc. selaku Sekretaris Program Studi S1 Ilmu Komputer.

  5. Ibu Dr. Erna Budhiarti Nababan, MIT selaku Dosen Pembimbing yang telah banyak meluangkan waktunya dalam memberikan masukan-masukan kepada penulis.

  6. Bapak Amer Sharif, S.Si, M.Kom. selaku Dosen Pembimbing yang telah banyak meluangkan waktunya dalam memberikan masukan-masukan kepada penulis.

  7. Bapak Prof. Dr. Iryanto, M.Si. selaku Dosen Pembanding yang telah banyak meluangkan waktunya dalam memberikan masukan-masukan kepada penulis.

  8. Seluruh dosen serta pegawai di Program Studi S1 Ilmu Komputer Fasilkom-TI Universitas Sumatera Utara.

  9. Ayahanda Husin Indra Kusuma dan Ibunda Rida Hananti serta abangda M.Iqbal Febian yang selalu memberikan dukungan baik materi maupun non-materi, perhatian, semangat, serta doa tanpa henti kepada penulis.

  10. Teman-teman stambuk 2009 yang selalu memberikan doa, semangat, bantuan dan saran kepada penulis selama proses penyelesaian skripsi ini.

  11. Teman-teman Raja Risol dan Aliansi The Sikit yang selalu memberikan doa, saran dan semangat kepada penulis.

  12. Semua pihak yang terlibat langsung maupun tidak langsung yang tidak dapat penulis ucapkan satu demi satu yang telah membantu penyelesaian skripsi ini. Semoga Allah SWT melimpahkan berkah kepada semua pihak yang telah memberikan bantuan, perhatian, serta dukungan kepada penulis dalam menyelesaikan skripsi ini.

  Penulis menyadari bahwa skripsi ini masih terdapat kekurangan. Oleh karena itu, penulis mengharapkan kritik dan saran yang bersifat membangun demi kesempurnaan skripsi ini.

  Medan, April 2014 Penulis,

  M. Iqshan Johandra

  

ABSTRAK

  Jaringan syaraf tiruan merupakan sebuah sistem komputasi yang diilhami dari pengetahuan tentang sel saraf biologis di dalam otak manusia. Salah satu pemanfaatan jaringan syaraf tiruan adalah untuk pengenalan pola. Wajah seseorang pasti berbeda tetapi terkadang memiliki bentuk yang mirip dengan orang lain, karena itu pola wajah merupakan pola yang bagus untuk coba dikenali dengan menggunakan jaringan saraf tiruan. Pengenalan pola pada jaringan saraf tiruan dapat dilakukan dengan metode

  

Learning Vector Quantization (LVQ). Metode LVQ terdiri dari lapisan input (input

layer ), lapisan kompetitif dan lapisan output (output layer). Pelatihan dilakukan pada

  setiap pola masukan, hasil pelatihannya akan dibandingkan dengan target. Pada penelitian ini, digunakan pula metode deteksi tepi Robert untuk mengolah citra yang digunakan sebagai pola masukan jaringan syaraf tiruan agar diperoleh garis tepi dari citra wajah tersebut. Berdasarkan hasil uji coba diketahui ketepatan metode LVQ dan deteksi tepi Robert untuk mengenali pola citra wajah yang telah dilatih dan tidak memiliki noise adalah 100%. Untuk pengenalan pola citra wajah yang memiliki noise tingkat akurasi pengenalan sebesar 42,5%.

  

Katakunci: Jaringan Syaraf Tiruan, Pengenalan Pola, Learning Vector

Quantization, Deteksi Tepi Robert.

  

IMPLEMENTATION OF LEARNING VECTOR QUANTIZATION AND

ROBERT EDGE DETECTION FOR FACE PATTERN RECOGNITION

ABSTRACT

  Artificial neural network is a computing systems which is inspired by knowledge of biological nerve cell in human brain. One of the function of artificial neural network is for pattern recognition. Every human face certainly different but having a similar shape with the others, therefore facial pattern is a good pattern to try recognize using artificial neural network. Learning Vector Quantization (LVQ) is one of the artificial neural network method which is using for pattern recognition. LVQ have input layer, competitive layer, and output layer. In LVQ training is done on each input pattern, the training result will be compared with target. In this research Robert edge detection method is also used to process image in order to obtained the edge line of the facial image that used as input. Based on the test results are known accuracy of LVQ and Robert edge detection to recognize trained and do not have noise face image patterns is 100%, while for image which has noise the recognition accuracy is 42,5% .

  

Keyword: Neural Network, Pattern Recognition, Learning Vector Quantization,

Robert Edge Detection.

  

DAFTAR ISI

Hal.

  Persetujuan ii

  Pernyataan iii

  Penghargaan iv

  Abstrak vi

  Abstract

  vii Daftar Isi viii

  Daftar Tabel x

  Daftar Gambar xi

  Bab I Pendahuluan

  1.1 Latar Belakang

  1

  1.2 Perumusan Masalah

  2

  1.3 Batasan Masalah

  3

  1.4 Tujuan Penelitian

  3

  1.5 Manfaat Penelitian

  3

  1.6 Metodologi Penelitian

  3

  1.7 Sistematika Penulisan

  4 Bab II Landasan Teori

  2.1 Pengenalan Pola

  6

  2.2 Wajah

  7

  2.3 Citra

  7

  2.4 Deteksi Tepi

  8

  2.4.1 Operator Robert

  8

  2.5 Jaringan Saraf Tiruan

  10

  2.5.1 Arsitektur Jaringan Saraf Tiruan

  11

  2.5.1.1 Single Layer Network

  11

  2.5.1.2 Multi Layer Network

  12

  2.5.1.3 Recurrent Network

  12

  2.5.2 Fungsi Aktivasi

  13

  2.6 Jaringan Saraf Tiruan LearningVector Quantization (LVQ)

  13

  2.6.1 Algoritma Pelatihan

  14

  2.6.2 Arsitektur Jaringan LVQ

  15 Bab III Analisis dan Perancangan

  3.1 Analisis Sistem

  17

  3.1.1 Analisis Permasalahan

  17

  3.1.2 Analisis Kebutuhan Sistem

  18

  3.1.2.1 Kebutuhan Fungsional Sistem

  18

  3.1.2.2 Kebutuhan Nonfungsional Sistem

  18

  3.1.3 Analisis Proses Sistem

  19

  3.1.3.1 Proses LVQ

  19

  3.1.3.2 Perancangan Arsitektur Jaringan

  19 Hal.

  3.2 Pemodelan Sistem

  21

  3.2.1 Use Case Diagram

  21

  3.2.1.1. Use Case Proses Pelatihan

  22

  3.2.1.2. Use Case Proses Pengujian

  23

  3.2.2. Sequence Diagram

  23

  3.2.2.1. Sequence Diagram Proses Pelatihan

  24

  3.2.2.2. Sequence Diagram Proses Pengujian

  24

  3.2.3. Activity Diagram

  25

  3.2.3.1. Activity Diagram Proses Pelatihan

  26

  3.2.3.2. Activity Diagram Proses Pengujian

  27

  3.3 Pseudocde Program

  27

  3.3.1. Pseudocde Proses Pelatihan

  27

  3.3.2. Pseudocde Proses Pengujian

  28

  3.4 Perancangan Flowchart

  29

  3.4.1. Flowchart Sistem

  29

  3.4.2. Flowchart Proses Pelatihan

  30

  3.4.2. Flowchart Proses Pengujian

  31

  3.4.4. Flowchart Deteksi Tepi Robert

  31

  3.4.5. Flowchart Algoritma Pelatihan Metode LVQ

  32

  3.4.6. Gambaran Umum Sistem

  33

  3.5 Perancangan Antarmuka

  33

  3.5.1 Antarmuka Beranda

  33

  3.5.2 Antarmuka Pelatihan

  35

  3.5.3 Antarmuka Pengujian

  36

  3.5.4 Antarmuka Bantuan

  37 Bab IV Implementasi dan Pengujian

  4.1 Implementasi Sistem

  38

  4.1.1 Tampilan Antarmuka Sistem

  38

  4.1.1.1 Antarmuka Beranda

  38

  4.1.1.2 Antarmuka Pelatihan

  39

  4.1.1.3 Antarmuka Pengujian

  43

  4.1.1.3 Antarmuka Bantuan

  44

  4.2 Pengujian Sistem

  45

  4.2.1 Jenis Pengujian

  45

  4.2.1.1 Pengujian terhadap Citra Wajah yang telah Dilatih

  45

  4.2.1.2 Pengujian terhadap Citra Wajah yang telah Dilatih

  49 dan Diberi Noise Bab V Kesimpulan dan Saran

  5.1 Kesimpulan

  59

  5.2 Saran

  60 Daftar Pustaka

  61 Lampiran Listing Program A-1

  Lampiran Curriculum Vitae B-1

  

DAFTAR TABEL

Nomor Nama Tabel Halaman Tabel 3.1 Dokumentasi Naratif Use Case Proses Pelatihan.

  22 3.2 Dokumentasi Naratif Use Case Proses Pengujian.

  23

  4.1 Hasil Pengujian terhadap Citra Wajah yang telah Dilatih

  46 4.2 Citra Wajah Setelah Diberi Noise sesuai Besar Persentasenya.

  50

  4.3 Hasil Pengujian terhadap Citra Wajah yang telah Dilatih dan

  52 Diberi Noise.

  4.4 Hasil Pengujian terhadap Seluruh Citra Wajah yang telah

  54 Dilatih dan Diberi Noise.

  4.5 Hasil Pengujian terhadap Seluruh Citra Wajah yang telah

  55 Dilatih dan Diberi Noise yang Tidak Tepat Dikenali

  4.6 Hasil Pengujian terhadap Seluruh Citra Wajah yang telah

  56 Dilatih dan Diberi Noise yang Tepat Dikenali

  

DAFTAR GAMBAR

Nomor Gambar Nama Gambar Halaman

  39

  40

  4.4 Tampilan Antarmuka Kotak Dialog Pemilihan Wajah

  40

  4.3 Tampilan Antarmuka Pelatihan

  39

  4.2 Tampilan Konfirmasi Keluar

  4.1 Tampilan Antarmuka Beranda

  41

  37

  36

  35

  34

  33

  32

  3.16 Flowchart Algoritma Proses Pelatihan Metode LVQ Diagram Proses Sistem Secara Umum Rancangan Antarmuka Beranda Rancangan Antarmuka Proses Pelatihan Rancangan Antarmuka Proses Pengujian Rancangan Antarmuka Bantuan

  4.5 Tampilan Antarmuka Pelatihan setelah dimasukkan Citra Wajah

  4.6 Tampilan Antarmuka Pelatihan setelah dilakukan Deteksi Tepi

  3.14

  4.12

  57

  57

  45

  44

  4.14 Tampilan Antarmuka Pengujian setelah Proses Pengujian Tampilan Antarmuka Bantuan Grafik Pengujian Citra Wajah Azhar, Fauzi, Tedja dan Sandy Grafik Pengujian Citra Wajah Fiktar, Fizhta dan Rio Grafik Pengujian Citra Wajah Putra, Iqshan dan Santo

  4.13

  4.11

  42

  4.10

  43

  4.9 Tampilan Antarmuka Pengujian

  42

  4.8 Tampilan Antarmuka Konfirmasi Reduksi Data

  42

  4.7 Tampilan Antarmuka Konfirmasi Simpan Data

  3.15

  3.13

  2.1 Diagram Sederhana Proses Pengenalan Pola

  12

  20

  15

  3.1 Arsitektur JST LVQ Umum Arsitektur Jaringan LVQ Sistem

  2.7

  12

  2.6 Multi Layer Network

  2.5 Single-Layer Network

  21

  10

  2.4 Diagram Neuron Jaringan Syaraf Tiruan

  9

  2.3 Contoh Deteksi Tepis

  9

  2.2 Operator Silang

  6

  3.2 Use Case Diagram Sistem Pengenalan Citra Wajah

  3.3 Sequence Diagram Proses Pelatihan

  3.12

  3.8 Flowchart Proses Pelatihan

  3.11

  31

  3.10 Flowchart Deteksi Tepi Robert

  31

  3.9 Flowchart Proses Pengujian

  30

  30

  24

  3.7 Flowchart Sistem

  27

  3.6 Activity Diagram Proses Pengujian

  26

  3.5 Activity Diagram Proses Pelatihan

  25

  3.4 Sequence Diagram Proses Pengujian

  58